Exploración BBDD-Nacimientos

Fecha de publicación

22 de marzo, 2024

Ajustes de inicio.

Click para ver el código
source("../Code/0. Settings.R")
source("../Code/0. Functions.R")
Click para ver el código
# Info
data_out <- "../Data/Output/" # Path
file <- "births_2011_2020" # file

# Load file 
load(paste0(data_out, file, ".RData"))

Notas del procesamiento de los datos

  • La comuna de Coihaique tiene dos estaciones: coyhaique y balmaceda. Por lo tanto, serían 26 comunas, no 27, ya que están asociadas solo a un código de comuna. Los datos descriptivos sugieren que la comuna de balmaceda es más fría. ¿Promediamos ambas estaciones?

  • Base de datos de análisis está filtrada por año de nacimiento 2011-2020 y código de 26 comunas. El número de observaciones es de: 394546.

Exploración de la tabla de datos

Exploración inicial

Tenemos 394546 observaciones y 16 variables. Todas estas variables son de tipo numérico que se categorizarán en función del análisis.

Click para ver el código
glimpse(births)
Rows: 394.546
Columns: 16
$ sexo        <dbl> 1, 1, 2, 2, 2, 1, 2, 2, 2, 1, 2, 2, 2, 1, 1, 2, 2, 1, 2, 1…
$ dia_nac     <dbl> 14, 19, 8, 5, 12, 3, 6, 12, 14, 7, 23, 19, 28, 17, 9, 9, 2…
$ mes_nac     <dbl> 7, 6, 12, 1, 3, 4, 11, 7, 9, 1, 2, 12, 2, 12, 9, 9, 6, 2, …
$ ano_nac     <dbl> 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018…
$ semanas     <dbl> 40, 38, 40, 38, 40, 39, 33, 39, 39, 35, 38, 38, 39, 40, 38…
$ peso        <dbl> 3290, 3660, 3390, 2740, 3080, 2885, 1210, 2890, 3330, 2730…
$ talla       <dbl> 50, 49, 51, 48, 47, 47, 40, 48, 49, 47, 46, 51, 50, 48, 47…
$ comuna      <dbl> 2201, 2101, 10101, 16101, 5101, 5101, 10101, 10101, 10101,…
$ region      <dbl> 2, 2, 10, 16, 5, 5, 10, 10, 10, 16, 5, 5, 12, 10, 12, 12, …
$ edad_madre  <dbl> 31, 35, 32, 27, 22, NA, 24, 20, 22, 28, 54, 39, 39, 39, 43…
$ nivel_madre <dbl> 2, 1, 1, 2, 1, 1, 2, 2, 2, 2, 1, 1, 1, 2, 2, 2, 1, 1, 2, 2…
$ edad_padre  <dbl> 34, 42, 35, 29, 28, 32, 24, 19, 31, 30, 42, 44, 29, NA, 52…
$ nivel_padre <dbl> 2, 2, 1, 1, 1, 2, 2, 2, 4, 2, 1, 1, 2, NA, 2, 4, 1, 1, 2, …
$ activ_madre <dbl> 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 1, 0…
$ tipo_parto  <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
$ activ_padre <dbl> NA, NA, NA, NA, NA, NA, NA, NA, 2, NA, 1, 1, 1, NA, 1, 1, …

Se recodifican valores que son considerados como missing para variables de interés:

births <- births %>% 
  mutate(semanas=if_else(semanas==99, NA_real_, semanas),
         peso=if_else(peso==9999, NA_real_, peso),
         sexo=if_else(sexo==9, NA_real_, sexo),
         talla=if_else(talla==99, NA_real_, talla),
         edad_madre=if_else(edad_madre==99, NA_real_, edad_madre),
         nivel_madre=if_else(nivel_madre==9, NA_real_, nivel_madre),
         activ_madre=if_else(activ_madre %in% c(3,9), NA_real_, activ_madre),
         edad_padre=if_else(edad_padre==99, NA_real_, edad_padre),
         nivel_padre=if_else(nivel_padre==9, NA_real_, nivel_padre),
         activ_padre=if_else(activ_padre %in% c(3,9), NA_real_, activ_padre),
         tipo_parto=if_else(tipo_parto==9, NA_real_, tipo_parto)
         ) 
births <- births[,c(1:9, 15, 10, 11, 14, 12, 13, 16)]

Valores extremos

Se evaluarán los casos extremos para dos variables de interés: semanas de gestación y peso al nacer.

Click para ver el código
g1 <- ggplot(births, aes(x=semanas)) + 
  geom_histogram(alpha=0.5, bins=50, fill = "deepskyblue3", color="deepskyblue3") +
  scale_x_continuous(breaks=seq(0, 50, by=10)) + 
  labs(x="Semanas de gestación", y="Frecuencia", tag="A)") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

g2 <- ggplot(births, aes(y=semanas)) + 
  stat_boxplot(geom = "errorbar", width = 0.15, color = 1) +  
  geom_boxplot(fill = "gray", alpha = 0.5, color = "black", width=0.7,
               outlier.colour = 2, outlier.fill = "white", outlier.size = .75) +
  scale_y_continuous(breaks=seq(0, 100, by=5)) +
  labs(x="Semanas de gestación", y=NULL, tag="B)", x="") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

ggpubr::ggarrange(g1, g2, ncol = 2,  widths = c(2, 1))

Gráficos descriptivos para semanas de gestación

Click para ver el código
g3 <- ggplot(births, aes(x=peso)) + 
  geom_histogram(alpha=0.5, bins=150, fill = "deepskyblue3", color="deepskyblue3") +
  scale_x_continuous(breaks=seq(0, 10000, by=1000)) + 
  labs(x="Peso (gr.)", y="Frecuencia", tag="A)") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

g4 <- ggplot(births, aes(y=peso)) + 
  stat_boxplot(geom = "errorbar", width = 0.15, color = 1) +  
  geom_boxplot(fill = "gray", alpha = 0.5, color = "black", width=0.7,
               outlier.colour = 2, outlier.fill = "white", outlier.size = .75) +
  scale_y_continuous(breaks=seq(0, 10000, by=1000)) + 
  labs(y="Peso (gr.)", y=NULL, tag="B)", x="") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

ggpubr::ggarrange(g3, g4, ncol = 2,  widths = c(2, 1))

Gráficos descriptivos para peso al nacer

Click para ver el código
vars <- c("semanas", "peso")
table <- tibble()
for (i in vars){
  # Asegúrate de que i es convertido a simbolo con as.symbol o rlang::sym
  des_res <- descriptives(x = !!rlang::sym(i), data = births)
  table <- dplyr::bind_rows(table, des_res)
}

table$Variable <- c("Gestación (semanas)", "Peso (gr.)")

flextable::flextable(table)

Estadísticos descriptivos para las variables de interés

Variable

Media_Prop

SD

Min

P5

P10

P25

P50

P75

P90

P95

Max

N

Missing

Pct_miss

Gestación (semanas)

38.357

1.868

16

36

37

38

39

39

40

40

44

394,546

648

0.16

Peso (gr.)

3,294.457

549.190

151

2,380

2,675

3,020

3,330

3,635

3,925

4,100

5,740

394,546

658

0.17

Datos faltantes

Exploración de datos faltantes para la información del padre y madre:

Click para ver el código
covariables <- births[, c(11:16)]

g5 <- vis_miss(births, warn_large_data = FALSE) 
g6 <- gg_miss_upset(births, order.by = "freq", nintersects = NA, empty.intersections=TRUE)
                    
g5

Exploración de missing con combinaciones de covariables

Click para ver el código
g6

Exploración de missing con combinaciones de covariables

Click para ver el código
missing_data <- births %>%
  select(4:7, 10:16) %>% 
  pivot_longer(cols = -ano_nac, names_to = "variable", values_to = "valor") %>%
  group_by(ano_nac, variable) %>%
  summarise(porcentaje_missing = mean(is.na(valor)) * 100) %>%
  ungroup()

ggplot(missing_data, aes(x = factor(ano_nac), y = porcentaje_missing, group = variable)) +
  geom_line(aes(color = variable)) + 
  geom_point(aes(color = variable)) + 
  facet_wrap(~ variable, scales = "free_y", ncol=5) + 
  theme_light() +
  labs(x = "Año", y = "% de Datos Faltantes") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

% de Datos faltantes en variables por año

Click para ver el código
comunas <- chilemapas::codigos_territoriales %>% 
  mutate(codigo_comuna=as.numeric(codigo_comuna),
         codigo_provincia=as.numeric(codigo_provincia),
         codigo_region=as.numeric(codigo_region)
         )

births <- births %>% 
  left_join(comunas, by=c("comuna"="codigo_comuna"))

missing_data <- births %>%
  select(5:7, 10:16, 17) %>% 
  pivot_longer(cols = -nombre_comuna, names_to = "variable", values_to = "valor") %>%
  group_by(nombre_comuna, variable) %>%
  summarise(porcentaje_missing = mean(is.na(valor)) * 100) %>%
  ungroup()

ggplot(missing_data, aes(x = factor(nombre_comuna), y = porcentaje_missing, fill = variable)) +
  geom_col() +
  coord_flip() +
  facet_wrap(~ variable, scales = "free_y", ncol=5) + 
  theme_light() +
  labs(x = "Comuna", y = "% de Datos Faltantes") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

% de Datos faltantes en variables por comuna

Estadísticos Descriptivos

Para estos análisis construimos una variable nueva para identificar los nacimientos con bajo peso (<2500 gr.). Además, construimos una variable que identifican las macrozonas.

Click para ver el código
births <- births %>% 
  mutate(
    low_weight=case_when(
      peso<2500 ~ 1,
      peso>=2500 ~ 0,
      TRUE ~ NA_real_
      ),
    zona = case_when(
           nombre_region %in% c("Arica y Parinacota", "Tarapacá", "Antofagasta", "Atacama", "Coquimbo") ~ "Norte",
           nombre_region %in% c("Valparaiso", "Metropolitana de Santiago", "Libertador General Bernardo O'Higgins", "Maule", "Nuble", "Biobio") ~ "Centro",
           nombre_region %in% c("La Araucanía", "Los Ríos", "Los Lagos", "Aysen del General Carlos Ibanez del Campo", "Magallanes y de la Antartica Chilena") ~ "Sur",
           TRUE ~ NA_character_
         ) 
         #zona=factor(zona, levels=c("Norte", "Centro", "Sur", "Austral"))
    ) 

Descripción de variables

Click para ver el código
# Generamos dummies 
births <- cbind(births, make_dummies(births$sexo, prefix = ""))
births <- cbind(births, make_dummies(births$tipo_parto, prefix = ""))
births <- cbind(births, make_dummies(births$zona, prefix = ""))
births <- cbind(births, make_dummies(births$nombre_region, prefix = ""))
births <- cbind(births, make_dummies(births$nivel_madre, prefix = ""))
births <- cbind(births, make_dummies(births$activ_madre, prefix = ""))
births <- cbind(births, make_dummies(births$nivel_padre, prefix = ""))
births <- cbind(births, make_dummies(births$activ_padre, prefix = ""))

# Data
births_full <- births %>% 
  select("semanas", "peso", "low_weight", "talla",
         "sexo1", "sexo2", "tipo_parto1", "tipo_parto2", "tipo_parto3", "tipo_parto4",
         "edad_madre", 
         "nivel_madre1",  "nivel_madre2", "nivel_madre3", "nivel_madre4", "nivel_madre5",
         "activ_madre0", "activ_madre1",  "activ_madre2", # "activ_madre3",
         "edad_padre",  
         "nivel_padre1",  "nivel_padre2", "nivel_padre3", "nivel_padre4", "nivel_padre5",
         "activ_padre0", "activ_padre1",  "activ_padre2", 
         "nombre_regionArica y Parinacota", "nombre_regionAntofagasta", 
         "nombre_regionValparaiso", "nombre_regionMetropolitana de Santiago", "nombre_regionNuble", 
         "nombre_regionBiobio", "nombre_regionMaule", "nombre_regionLos Lagos",
         "nombre_regionAysen del General Carlos Ibanez del Campo", "nombre_regionMagallanes y de la Antartica Chilena",     
         "zonaNorte", "zonaCentro", "zonaSur"
         )

vars_des <- colnames(births_full)
table <- tibble()
for (i in vars_des){
  # Asegúrate de que i es convertido a simbolo con as.symbol o rlang::sym
  des_res <- descriptives(x = !!rlang::sym(i), data = births_full)
  table <- dplyr::bind_rows(table, des_res)
}

table$Variable <- c("Gestación (semanas)", "Peso (gr.)", "Peso <2500 gr.", "Talla (cm.)",
                    "Hombre", "Mujer", 
                    "Parto Simple", "Parto Doble", "Parto Triple", "Otro", 
                    "Edad de la madre", 
                    "Educ. Madre Superior", "Medio", "Secundaria", "Básico o Primario", "Sin educación",
                    "Act. Madre: Inactivo", "Activo", "Cesante o desocupado",
                    "Edad del padre", 
                    "Educ. Padre Superior", "Medio", "Secundaria", "Básico o Primario", "Sin educación",
                    "Act. Padre: Inactivo", "Activo", "Cesante o desocupado",
                    "Arica y Parinacota", "Antofagasta", 
                    "Valparaiso", "Metropolitana de Santiago", "Nuble", 
                    "Biobio", "Maule", "Los Lagos",
                    "Aysen del General Carlos Ibanez del Campo", "Magallanes y de la Antartica Chilena",     
                    "Norte", "Centro", "Sur"
                    )

table <- table %>% 
  mutate(across(c(4:12), ~na_if(.x, 0))) %>% 
  mutate(across(c(4:12), ~na_if(.x, 1))) %>% 
  select(-"N")

flextable::flextable(table)

Estadísticos descriptivos para las variables de interés

Variable

Media_Prop

SD

Min

P5

P10

P25

P50

P75

P90

P95

Max

Missing

Pct_miss

Gestación (semanas)

38.357

1.868

16

36

37

38

39

39

40

40

44

648

0.16

Peso (gr.)

3,294.457

549.190

151

2,380

2,675

3,020

3,330

3,635

3,925

4,100

5,740

658

0.17

Peso <2500 gr.

0.065

0.246

658

0.17

Talla (cm.)

49.011

2.551

17

45

47

48

49

50

52

52

59

653

0.17

Hombre

0.510

0.500

32

0.01

Mujer

0.490

0.500

32

0.01

Parto Simple

0.980

0.142

68,550

17.37

Parto Doble

0.020

0.140

68,550

17.37

Parto Triple

0.000

0.019

68,550

17.37

Otro

0.000

0.006

68,550

17.37

Edad de la madre

28.004

6.495

11

18

19

23

28

33

37

39

59

191

0.05

Educ. Madre Superior

0.395

0.489

830

0.21

Medio

0.521

0.500

830

0.21

Secundaria

0.000

0.017

830

0.21

Básico o Primario

0.083

0.275

830

0.21

Sin educación

0.001

0.026

830

0.21

Act. Madre: Inactivo

0.499

0.500

7,723

1.96

Activo

0.500

0.500

7,723

1.96

Cesante o desocupado

0.001

0.038

7,723

1.96

Edad del padre

30.885

7.569

14

20

21

25

30

36

41

44

84

37,575

9.52

Educ. Padre Superior

0.399

0.490

38,048

9.64

Medio

0.518

0.500

38,048

9.64

Secundaria

0.001

0.028

38,048

9.64

Básico o Primario

0.082

0.274

38,048

9.64

Sin educación

0.001

0.023

38,048

9.64

Act. Padre: Inactivo

0.151

0.358

40,850

10.35

Activo

0.838

0.368

40,850

10.35

Cesante o desocupado

0.011

0.105

40,850

10.35

Arica y Parinacota

0.082

0.275

0

0.00

Antofagasta

0.207

0.405

0

0.00

Valparaiso

0.096

0.295

0

0.00

Metropolitana de Santiago

0.144

0.351

0

0.00

Nuble

0.059

0.236

0

0.00

Biobio

0.134

0.341

0

0.00

Maule

0.052

0.222

0

0.00

Los Lagos

0.144

0.351

0

0.00

Aysen del General Carlos Ibanez del Campo

0.032

0.175

0

0.00

Magallanes y de la Antartica Chilena

0.048

0.215

0

0.00

Norte

0.290

0.454

0

0.00

Centro

0.486

0.500

0

0.00

Sur

0.224

0.417

0

0.00

Tendencia espacio-temporales

Click para ver el código
births <- births %>% 
    mutate(date_nac = make_date(year = ano_nac, month = mes_nac, day = dia_nac))

nac <- births %>% 
  group_by(ano_nac, mes_nac, dia_nac, date_nac) %>% 
  summarise(n=n(),
            peso=mean(peso, na.rm = TRUE),
            low_weight=round(mean(low_weight , na.rm = TRUE),3)
            )

ggplot(nac, aes(x = date_nac, y = n)) +
  geom_line() + 
  scale_x_date(date_breaks = "1 month", date_labels = "%b") +
  facet_wrap(~ ano_nac, scales = "free_x", ncol=2)  +
  labs(x = "Fecha", y = "Cantidad de nacimientos") +
  theme_light() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

Cantidad de nacimientos entre el 2011 al 2020

Click para ver el código
ggplot(nac, aes(x = date_nac, y = peso)) +
  geom_line() + 
  scale_x_date(date_breaks = "1 month", date_labels = "%b") +
  facet_wrap(~ ano_nac, scales = "free_x", ncol=2)  +
  labs(x = "Fecha", y = "Peso (gramos)") +
  theme_light() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

Promedio de peso en gramos entre el 2011 al 2020

Click para ver el código
ggplot(nac, aes(x = date_nac, y = low_weight, color=factor(ano_nac))) +
  geom_col() + 
  scale_y_continuous(labels = scales::percent_format()) +
  scale_x_date(date_breaks = "1 month", date_labels = "%b") +
  #coord_flip() +
  facet_wrap(~ ano_nac, scales = "free_x", ncol=2)  +
  labs(x = "Fecha", y = "% de nacimientos con bajo peso") +
  theme_light() +
  theme(axis.text.x = element_text(angle = 0, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

Porcentaje de nacimientos con bajo peso

Click para ver el código
nac_full <- births %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            ) %>% 
  mutate(Muestra="Full Sample") %>% 
  relocate(Muestra)

flextable::flextable(nac_full)

Estadísticos de nacimiento

Muestra

Nacimientos

Peso

Bajo_peso

Full Sample

394,546

3,294.457

0.065

Click para ver el código
nac_zona <- births %>% 
  group_by(zona) %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            )%>% 
  mutate(Muestra="Macrozona") %>% 
  relocate(Muestra) %>% 
  rename(Zona=zona)

nac_reg <- births %>% 
  group_by(nombre_region) %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            ) %>% 
  mutate(Muestra="Región")  %>% 
  relocate(Muestra) %>% 
  rename(Zona=nombre_region)

nac_zona_reg <- nac_zona %>% bind_rows(nac_reg)
flextable::flextable(nac_zona_reg)

Estadísticos de nacimiento por zona y región

Muestra

Zona

Nacimientos

Peso

Bajo_peso

Macrozona

Centro

191,782

3,294.815

0.066

Macrozona

Norte

114,281

3,268.147

0.065

Macrozona

Sur

88,483

3,327.654

0.062

Región

Antofagasta

81,828

3,226.634

0.071

Región

Arica y Parinacota

32,453

3,372.957

0.050

Región

Aysen del General Carlos Ibanez del Campo

12,433

3,345.040

0.060

Región

Biobio

53,031

3,290.294

0.063

Región

Los Lagos

56,922

3,328.514

0.062

Región

Magallanes y de la Antartica Chilena

19,128

3,313.798

0.063

Región

Maule

20,498

3,258.138

0.068

Región

Metropolitana de Santiago

56,893

3,301.640

0.066

Región

Nuble

23,380

3,309.228

0.063

Región

Valparaiso

37,980

3,301.863

0.071

Click para ver el código
nac_date <- births %>% 
  group_by(ano_nac, mes_nac) %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            ) %>% 
  rename(Agno=ano_nac) %>% 
  rename(Mes=mes_nac) %>% 
  mutate(Agno=factor(Agno))

flextable::flextable(nac_date)

Estadísticos de nacimiento en el tiempo

Agno

Mes

Nacimientos

Peso

Bajo_peso

2011

1

3,878

3,335.667

0.050

2011

2

3,436

3,317.982

0.065

2011

3

4,014

3,326.390

0.057

2011

4

3,538

3,310.935

0.058

2011

5

3,656

3,304.859

0.061

2011

6

3,446

3,311.191

0.067

2011

7

3,468

3,314.592

0.055

2011

8

3,570

3,304.252

0.073

2011

9

3,736

3,325.636

0.053

2011

10

3,561

3,311.560

0.062

2011

11

3,402

3,316.736

0.060

2011

12

3,511

3,300.352

0.063

2012

1

3,681

3,307.591

0.057

2012

2

3,396

3,304.378

0.065

2012

3

3,696

3,302.532

0.062

2012

4

3,607

3,297.513

0.063

2012

5

3,637

3,307.468

0.055

2012

6

3,509

3,296.902

0.063

2012

7

3,595

3,303.769

0.061

2012

8

3,657

3,312.963

0.066

2012

9

3,507

3,303.137

0.068

2012

10

3,631

3,318.197

0.058

2012

11

3,442

3,298.229

0.069

2012

12

3,344

3,307.643

0.065

2013

1

3,691

3,303.710

0.063

2013

2

3,252

3,313.535

0.062

2013

3

3,549

3,293.758

0.068

2013

4

3,509

3,308.330

0.053

2013

5

3,560

3,299.586

0.061

2013

6

3,461

3,310.532

0.066

2013

7

3,525

3,296.095

0.061

2013

8

3,471

3,290.056

0.066

2013

9

3,580

3,301.039

0.061

2013

10

3,547

3,294.147

0.063

2013

11

3,377

3,299.130

0.063

2013

12

3,484

3,303.892

0.061

2014

1

3,826

3,301.906

0.064

2014

2

3,210

3,340.594

0.052

2014

3

3,697

3,300.302

0.064

2014

4

3,611

3,304.498

0.062

2014

5

3,586

3,305.751

0.065

2014

6

3,646

3,291.106

0.061

2014

7

3,684

3,293.995

0.066

2014

8

3,496

3,314.393

0.063

2014

9

3,666

3,314.448

0.057

2014

10

3,734

3,309.616

0.064

2014

11

3,426

3,292.717

0.068

2014

12

3,627

3,295.435

0.059

2015

1

3,851

3,305.704

0.066

2015

2

3,403

3,301.912

0.059

2015

3

3,729

3,290.289

0.060

2015

4

3,563

3,297.320

0.059

2015

5

3,443

3,266.271

0.064

2015

6

3,490

3,281.349

0.064

2015

7

3,485

3,293.414

0.066

2015

8

3,435

3,285.833

0.074

2015

9

3,650

3,288.337

0.066

2015

10

3,350

3,282.810

0.075

2015

11

3,156

3,297.625

0.064

2015

12

3,425

3,264.310

0.073

2016

1

3,516

3,272.472

0.077

2016

2

3,279

3,281.303

0.063

2016

3

3,643

3,291.265

0.064

2016

4

3,295

3,284.641

0.063

2016

5

3,318

3,293.017

0.067

2016

6

3,282

3,270.509

0.071

2016

7

3,206

3,277.219

0.067

2016

8

3,243

3,287.046

0.071

2016

9

3,410

3,297.618

0.060

2016

10

3,087

3,295.789

0.057

2016

11

3,062

3,302.436

0.059

2016

12

3,188

3,286.123

0.059

2017

1

3,183

3,277.633

0.071

2017

2

2,903

3,267.309

0.073

2017

3

3,316

3,273.892

0.067

2017

4

3,022

3,294.342

0.066

2017

5

3,099

3,294.879

0.065

2017

6

3,152

3,301.257

0.063

2017

7

3,105

3,275.950

0.070

2017

8

3,138

3,278.222

0.068

2017

9

3,078

3,290.095

0.069

2017

10

3,004

3,294.465

0.067

2017

11

2,943

3,288.965

0.064

2017

12

3,037

3,278.918

0.068

2018

1

3,141

3,279.956

0.070

2018

2

2,896

3,285.765

0.069

2018

3

3,163

3,279.670

0.068

2018

4

2,927

3,292.971

0.057

2018

5

3,204

3,293.212

0.067

2018

6

3,048

3,281.207

0.074

2018

7

3,046

3,278.960

0.072

2018

8

3,128

3,264.423

0.075

2018

9

3,165

3,278.846

0.066

2018

10

3,153

3,288.751

0.063

2018

11

2,986

3,273.588

0.079

2018

12

3,093

3,259.123

0.080

2019

1

3,223

3,286.213

0.069

2019

2

2,855

3,287.216

0.065

2019

3

3,065

3,293.382

0.067

2019

4

2,923

3,285.807

0.071

2019

5

3,019

3,294.099

0.064

2019

6

2,913

3,288.920

0.065

2019

7

2,964

3,262.312

0.074

2019

8

2,863

3,285.945

0.066

2019

9

2,944

3,279.752

0.068

2019

10

2,920

3,302.006

0.066

2019

11

2,714

3,272.672

0.068

2019

12

2,855

3,273.638

0.069

2020

1

3,011

3,286.824

0.064

2020

2

2,617

3,289.305

0.062

2020

3

2,884

3,277.622

0.069

2020

4

2,711

3,287.094

0.067

2020

5

2,724

3,290.064

0.066

2020

6

2,775

3,283.157

0.063

2020

7

2,699

3,278.303

0.073

2020

8

2,654

3,277.549

0.071

2020

9

2,750

3,295.568

0.070

2020

10

2,717

3,291.117

0.061

2020

11

2,606

3,298.952

0.064

2020

12

2,568

3,288.356

0.071